针对WeBe Band智能手环的机器学习模型快速训练与部署流水线
该研究针对计算与内存资源受限的边缘设备，提出了一套高效的边缘机器学习工作流程，用于在腕戴式多模态生理监测设备WeBe Band上快速开发、优化和部署ML模型。该系统支持自动机器学习（AutoML）和硬件优化，能够自动生成硬件高效型模型，并轻松集成到WeBe的核心固件中，大幅简化了端侧算法的开发周期。
DC AI 热点
精选
当前热点完整榜单 →
1AMD以82亿美元收购李飞飞创办的空间智能公司World Labs119 热度 ⌁2Anthropic IPO招股书曝光：营收激增但亏损巨大，计划未来投入千亿美元级算力96 热度 ⌁3我国生成式AI用户规模破7亿普及率超50%，首个全国产10万卡超集群投运90 热度 ⌁4英伟达推出新软硬件安全平台，旨在约束失控AI智能体89 热度 ⌁5欧盟要求开放安卓系统及搜索数据，谷歌以隐私安全为由提起上诉85 热度 ⌁9月25日2026-09-25
9月24日2026-09-24
X-Planner：面向具身智能的事件结构化任务规划框架
针对现代视觉-语言-动作（VLA）系统在长程操作中缺乏显式中间结构、现有思维链规划器依赖粗粒度标注的问题，研究团队提出了 X-Planner 规划前端。该方案同时改善具身推理的监督与表征，融合了第一人称视角、通用操作接口及遥操作等多源数据，构建了具备分层粒度和差异化标注深度的规划数据集。由于原始摘要截断，具体的下游控制效果待全文进一步阐释。
基于Transformer的OpenXR实时手势识别系统
该研究针对人机交互、虚拟现实及机器人等应用场景，提出了一种基于Transformer架构的实时手势识别系统。研究团队利用Unity中通过OpenXR标准捕获的手部追踪数据，结合手部关节位置与手腕旋转角度信息进行模型训练。依托Transformer出色的序列建模能力，该系统能够有效捕捉短手势中的时序依赖关系，从而实现高精度的实时手势识别与交互。